1、隨著農(nóng)機信息化的迅速發(fā)展與農(nóng)機監(jiān)測設(shè)備的廣泛應用，通過智能車載終端，能夠獲取其作業(yè)軌跡數(shù)據(jù)。然而隨著日積月累，農(nóng)機作業(yè)軌跡數(shù)據(jù)將呈現(xiàn)出海量性的特點，當其積累到一定程度時，必然會反映出某些規(guī)律。然而，目前的數(shù)據(jù)庫雖然能夠?qū)r(nóng)機作業(yè)軌跡數(shù)據(jù)進行錄入、查詢與統(tǒng)計等基本操作，但是卻無法挖掘隱藏在這些農(nóng)機作業(yè)軌跡數(shù)據(jù)背后的關(guān)系與規(guī)律等知識，從而導致了“空間數(shù)據(jù)豐富，但空間知識貧乏”。因此，從海量的農(nóng)機作業(yè)軌跡數(shù)據(jù)中挖掘知識，就顯得越來越重要。

2、r>　　 本文首先對數(shù)據(jù)挖掘領(lǐng)域中現(xiàn)有的五類聚類方法進行系統(tǒng)的描述，并對這些方法中的經(jīng)典算法及其改進算法進行詳細介紹，進而分析比較這五類聚類方法的優(yōu)缺點，并在此基礎(chǔ)上，針對農(nóng)機作業(yè)軌跡的不確定性、不規(guī)律性與數(shù)據(jù)量大等特點，提出了基于密度分割聚類算法，該算法是基于密度與基于網(wǎng)格相結(jié)合的聚類方法，因此具有基于密度聚類方法的優(yōu)點:如該算法能夠識別任意形狀的簇、對輸入數(shù)據(jù)的順序不敏感、能獲得較好的聚類結(jié)果，而且在進行密度分割時，結(jié)合基于網(wǎng)格的

3、聚類方法解決了基于密度聚類方法在面對大型數(shù)據(jù)集時算法效率差的問題。其次，為了進一步提高本文聚類算法的效率，通過對目前較流行的空間索引結(jié)構(gòu)進行分門別類的介紹，分析它們的優(yōu)缺點，進而選取本文采用的空間索引結(jié)構(gòu)——空間劃分樹，并對其進行系統(tǒng)而全面的闡述。然后，通過對本文采用的基于密度分割聚類算法進行研究，實現(xiàn)了農(nóng)機作業(yè)熱點即高密度區(qū)域的識別與提取。而在選取聚類參數(shù)（網(wǎng)格大小與密度閾值）時，根據(jù)尺度效應，人為的改變網(wǎng)格大小，并對多個農(nóng)機作業(yè)軌跡